Jaką rolę w tej nowej rzeczywistości pełnią rozwiązania techniczne?

Przestają być jedynie zestawem narzędzi wspierających poszczególne obszary działalności, a stają się swoistym systemem nerwowym. Odpowiadają za spójny przepływ informacji i stworzenie warunków do podejmowania decyzji z wykorzystaniem aktualnych danych. To oznacza konieczność odejścia od myślenia i działania silosowego. Zamiast wielu odrębnych systemów potrzebny jest jeden spójny „mózg”, który łączy wszystkie informacje i umożliwia ich wykorzystanie w czasie rzeczywistym. Jeżeli każdy system próbuje być tym mózgiem, zazwyczaj kończymy z tysiącami neuronów i brakiem decyzji. Przy czym zbudowanie ekosystemu, który naprawdę łączy dane i wspiera decyzje, to proces trudny, bo firmy mają swoje dziedzictwo technologiczne – systemy budowane w innych realiach, które trzeba teraz dostosować do nowych wymagań.

Jak zmieniła się dynamika trendów w branży modowej i jakie są tego konsekwencje dla IT?

Zmiana jest radykalna. Jeszcze kilka lat temu cykl życia trendu wynosił 6–12 miesięcy. Trend lokalny potrzebował czasu, żeby stać się globalnym, a producenci odzieży mieli przestrzeń, aby na niego zareagować. Obecnie cykl ten skrócił się do 6–12 tygodni. Trend może powstać lokalnie, stać się viralem i bardzo szybko osiągnąć globalny zasięg. To całkowicie zmienia sposób działania. Żeby nadążyć za rynkiem, musimy reagować niemal natychmiast – od stworzenia projektu, przez produkcję, po dystrybucję. Jeżeli reagujemy na trend, który już jest widoczny, najczęściej jesteśmy spóźnieni. Jeśli dzisiaj zamówimy produkcję czegoś, co już jest mocnym trendem, ryzykujemy, że gdy towar dotrze do sklepów stanie się niemodny i będzie zalegać na półkach. Dlatego konieczne jest radykalne skompresowanie wszystkich procesów. Dziś wygrywają firmy, które potrafią przewidywać i działać zanim trend stanie się oczywisty. Bez odpowiedniego wsparcia technicznego jest to niemożliwe. Systemy muszą umożliwiać szybkie podejmowanie decyzji i ich realizację w skali globalnej. W przeciwnym razie wypadają z gry.

Jak podchodzicie do budowy systemów – rozwijacie je wewnętrznie czy korzystacie z gotowych rozwiązań?

Nasze podejście bazuje na silnych kompetencjach wewnętrznych, w tym w szczególności w zakresie analityki danych. To nie jest coś nowego – rozwijamy ten obszar od wielu lat i traktujemy go jako jeden z kluczowych elementów przewagi organizacyjnej. Znaczną część rozwiązań budujemy samodzielnie, zwłaszcza tam, gdzie systemy bezpośrednio wspierają nasze unikalne procesy biznesowe, jak prognozowanie trendów, analiza zachowań klientów czy planowanie operacyjne. Jednocześnie nie działamy w oderwaniu od rynku. Korzystamy także z narzędzi i modeli dostarczanych przez zewnętrznych partnerów, w zależności od potrzeb i konkretnego zastosowania. Dotyczy to również mechanizmów sztucznej inteligencji. Kluczowe jest jednak to, że systemy, które realnie wspierają biznes, są projektowane i integrowane przez nas, ponieważ tylko my w pełni rozumiemy specyfikę naszej działalności.

Jak szeroko i w jaki sposób wykorzystujecie sztuczną inteligencję?

Zastosowań jest bardzo dużo i obejmują one praktycznie wszystkie obszary działalności – od wsparcia codziennej pracy pojedynczych osób po kluczowe procesy operacyjne. Na najprostszym poziomie są to narzędzia zwiększające efektywność indywidualną, takie jak różnego rodzaju asystenty AI, z których korzystają setki, a nawet tysiące pracowników. Na poziomie organizacyjnym skala wykorzystania sztucznej inteligencji jest znacznie większa. Na przykład w centrach fulfillmentowych wdrażamy autonomiczne roboty, których działanie nie opiera się wyłącznie na prostych algorytmach – systemy uczą się i optymalizują trasy w czasie rzeczywistym. Efekt jest bardzo konkretny: wydajność operacyjna wzrosła wielokrotnie, w niektórych przypadkach nawet pięciokrotnie. To nie jest już optymalizacja, tylko jakościowa zmiana sposobu działania.

Czy mechanizmy sztucznej inteligencji wspierają również podejmowane przez zarząd decyzje strategiczne, w tym dotyczące ekspansji?

Tak, i to w bardzo wymierny sposób. Jednym z dobrych przykładów jest wykorzystanie algorytmów przy wyborze lokalizacji nowych sklepów. Wcześniej bazowaliśmy na modelach analitycznych oraz doświadczeniu, a trafność takich decyzji była na poziomie około 60–70 proc. Obecnie, dzięki wykorzystaniu danych historycznych oraz modeli uczących się, osiągamy trafność przekraczającą 90 proc. To oznacza nie tylko wyraźnie lepszą poprawę jakości decyzji, ale też ich bezpośrednie przełożenie na wyniki biznesowe. Podobnie wygląda sytuacja w innych obszarach, chociażby w systemach rekomendacyjnych, które realnie wpływają zarówno na sprzedaż, jak i doświadczenie klienta.